CN110989028A - 基于人工智能的隧道仿生超前地质预报装备与方法 - Google Patents
基于人工智能的隧道仿生超前地质预报装备与方法 Download PDFInfo
- Publication number
- CN110989028A CN110989028A CN201911173622.3A CN201911173622A CN110989028A CN 110989028 A CN110989028 A CN 110989028A CN 201911173622 A CN201911173622 A CN 201911173622A CN 110989028 A CN110989028 A CN 110989028A
- Authority
- CN
- China
- Prior art keywords
- data
- tunnel
- osmotic pressure
- advanced geological
- stress
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V9/00—Prospecting or detecting by methods not provided for in groups G01V1/00 - G01V8/00
Abstract
本公开提供了一种基于人工智能的隧道仿生超前地质预报装备与方法。其中,基于人工智能的隧道仿生超前地质预报装备包括:数据采集部,其被配置为:采集隧道的应力数据、渗压数据、位移数据和温度数据;数据处理部,其被配置为:接收隧道的应力数据、渗压数据、位移数据和温度数据并输入至超前地质预报模型中,输出风险类型及等级;其中,超前地质预报模型由BP神经网络构成;风险预警部,其被配置为:根据风险类型及等级输出相应报警信息。
Description
技术领域
本公开属于隧道仿生超前地质预报领域,尤其涉及一种基于人工智能的隧道仿生超前地质预报装备与方法。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
在铁路隧道等工程中,无论是在钻爆法施工还是在TBM施工的隧道中,经常会出现突水突泥等不良地质灾害。这些灾害给施工带来了巨大的困难,影响工期增加成本,有时甚至会造成重大的人员伤亡。现场的超前地质预报的对施工的顺利进行起到了至关重要的作用,因此实际工程中必须考虑现场预报工作对施工的影响。
目前在隧道工程中的超前地质预报工作主要由预报工作人员完成,使用的仪器主要有地质雷达、TSP、瞬变电磁、高密度电法仪、激发极化等。发明人发现,这些仪器都比较笨重,通常需要3人以上才能完成数据采集工作,数据处理等也需要专门的人员来完成,现在工况复杂经常会有信息采集不准确的情况发生,会给后期的数据处理带来误差。
发明内容
为了解决上述问题,本公开提供一种基于人工智能的隧道仿生超前地质预报装备与方法,其具有智能化、高效化、实时监测、便捷的优点。
为了实现上述目的,本公开采用如下技术方案:
本公开的第一方面提供一种基于人工智能的隧道仿生超前地质预报装备,其包括:
数据采集部,其被配置为:采集隧道的应力数据、渗压数据、位移数据和温度数据;
数据处理部,其被配置为:接收隧道的应力数据、渗压数据、位移数据和温度数据并输入至超前地质预报模型中,输出风险类型及等级;其中,超前地质预报模型由BP神经网络构成;
风险预警部,其被配置为:根据风险类型及等级输出相应报警信息。
作为一种实施方式,所述数据采集部包括应力传感器、渗压传感器、位移传感器和温度传感器,所述应力传感器、渗压传感器、位移传感器和温度传感器用于分别采集隧道的应力数据、渗压数据、位移数据和温度数据。
作为一种实施方式,所述应力传感器和渗压传感器分别固定隧道同一侧的上部孔内和下部孔内;所述位移传感器和温度传感器分别固定隧道另一侧的上部孔内和靠近隧道掌子面的下部孔内。
作为一种实施方式,所述应力传感器固定的孔为径向方向,安装应力传感器前,用拉杆销钉拉住应力传感器楔块细端上的孔,用顶管和定位拉杆将应力传感器推入孔中到达指定深度。
作为一种实施方式,所述渗压传感器固定的孔为径向方向,埋设前将渗压传感器放在水中预设时间段,使其充分饱和,排除透水石中的汽包;饱和细沙袋将渗压传感器的测头包裹好,保证渗压传感器进水口通畅,然后将渗压传感器固定在设计位置,铺设相应缆线并浇筑混凝土。
作为一种实施方式,所述温度传感器固定的孔为径向方向,温度传感器设置在套筒内,套筒挤入固定温度传感器的孔中,套筒的筒口与固定温度传感器的孔口平齐。
作为一种实施方式,在所述数据处理部中,超前地质预报模型的训练过程为:
将应力变化而发生隧道灾害作为第一等级风险,并获取第一等级风险对应的应力数据集合;将渗压变化而发生隧道灾害作为第二等级风险,并获取第二等级风险对应的渗压数据集合;将位移变化而发生隧道灾害作为第三等级风险,并获取第三等级风险对应的位移数据集合;将温度变化而发生隧道灾害作为第四等级风险,并获取第四等级风险对应的温度数据集合;
将应力数据集合、渗压数据集合、位移数据集合和温度数据集合分别作为训练集中的子数据集,并作为超前地质预报模型的四个输入;
利用训练集中的四个子数据集对超前地质预报模型进行训练,直至超前地质预报模型输出的风险等级误差率小于或等于预设阈值时,完成超前地质预报模型的训练。
本公开的第二方面提供一种基于人工智能的隧道仿生超前地质预报装备的工作方法,其包括:
数据采集部采集隧道的应力数据、渗压数据、位移数据和温度数据;
数据处理部接收隧道的应力数据、渗压数据、位移数据和温度数据并输入至超前地质预报模型中,输出风险类型及等级;其中,超前地质预报模型由BP神经网络构成;
风险预警部根据风险类型及等级输出相应报警信息。
作为一种实施方式,超前地质预报模型的训练过程为:
将应力变化而发生隧道灾害作为第一等级风险,并获取第一等级风险对应的应力数据集合;将渗压变化而发生隧道灾害作为第二等级风险,并获取第二等级风险对应的渗压数据集合;将位移变化而发生隧道灾害作为第三等级风险,并获取第三等级风险对应的位移数据集合;将温度变化而发生隧道灾害作为第四等级风险,并获取第四等级风险对应的温度数据集合;
将应力数据集合、渗压数据集合、位移数据集合和温度数据集合分别作为训练集中的子数据集,并作为超前地质预报模型的四个输入;
利用训练集中的四个子数据集对超前地质预报模型进行训练,直至超前地质预报模型输出的风险等级误差率小于或等于预设阈值时,完成超前地质预报模型的训练。
作为一种实施方式,将超前地质预报模型输出的风险等级以及相关数据集合反馈至训练集中来扩增训练集中的数据,以提高超前地质预报模型的训练速度以及预测的准确度。
本公开的有益效果是:
本公开的基于人工智能的隧道仿生超前地质预报装备包括数据采集部、数据处理部和风险预警部;其中,数据采集部采集隧道的应力数据、渗压数据、位移数据和温度数据;数据处理部接收隧道的应力数据、渗压数据、位移数据和温度数据并输入至超前地质预报模型中,输出风险类型及等级;其中,超前地质预报模型由BP神经网络构成;风险预警部根据风险类型及等级输出相应报警信息,能够便捷、智能且高效地对隧道超前地质预报进行实时监测并提高了监测效率及准确性。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例的基于人工智能的隧道仿生超前地质预报装备整体结构示意图;
图2为本公开实施例的基于人工智能的隧道仿生超前地质预报装备功能结构图;
图3为本公开实施例的BP神经网络示意图。
其中,1-应力传感器、2-渗压传感器、3-位移传感器、4-温度传感器、5-洞外微处理器。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1和图2所示,本实施例的基于人工智能的隧道仿生超前地质预报装备,其包括:
数据采集部,其被配置为:采集隧道的应力数据、渗压数据、位移数据和温度数据;
数据处理部5,其被配置为:接收隧道的应力数据、渗压数据、位移数据和温度数据并输入至超前地质预报模型中,输出风险类型及等级;其中,超前地质预报模型由BP神经网络构成;
风险预警部,其被配置为:根据风险类型及等级输出相应报警信息。
其中,所述数据采集部包括应力传感器1、渗压传感器2、位移传感器3和温度传感器4,所述应力传感器、渗压传感器、位移传感器和温度传感器用于分别采集隧道的应力数据、渗压数据、位移数据和温度数据。
所述数据采集部中包含的应力传感器1、渗压传感器2、位移传感器3和温度传感器4形成传感器阵列相当于人体感知细胞,产生感应信号,经过AD转换传输后可作为输入参数。超前地质预报模型,也就是BP神经网络相当于人的大脑,具有分析和判断功能,输出风险等级作为输出信号,实现了的隧道仿生超前地质预报的智能化和自动化,提高了预报的准确性。
在具体实施中,所述应力传感器和渗压传感器分别固定隧道同一侧的上部孔内和下部孔内;所述位移传感器和温度传感器分别固定隧道另一侧的上部孔内和靠近隧道掌子面的下部孔内。
作为一种实施方式,所述应力传感器固定的孔为径向方向,例如:孔径7.5cm,孔深1.0m,安装应力传感器前,用拉杆销钉拉住应力传感器楔块细端上的孔,用顶管和定位拉杆将应力传感器推入孔中到达指定深度。向洞外方向敲击孔外出露拉杆末端的砧板,使楔块楔入压板中,进而使其与岩石紧密接触。
作为一种实施方式,所述渗压传感器固定的孔为径向方向,例如:孔径8cm,孔深1.0m,埋设前将渗压传感器放在水中预设时间段(例如:2小时以上),使其充分饱和,排除透水石中的汽包;饱和细沙袋将渗压传感器的测头包裹好,保证渗压传感器进水口通畅,然后将渗压传感器固定在设计位置,铺设相应缆线并浇筑混凝土。
例如:用体积为1000cm3的饱和细沙袋将测头包裹好,保证渗压计进水口通畅,然后将渗压计固定在设计位置,走好缆线,浇筑混凝土,注意避免使水泥浆进入渗压计内部。
作为一种实施方式,所述温度传感器固定的孔为径向方向,例如:孔径8cm,孔深10cm,温度传感器设置在套筒内,套筒挤入固定温度传感器的孔中,套筒的筒口与固定温度传感器的孔口平齐。
所述基于人工智能的隧道仿生超前地质预报装备,还包括:坐标定位系统,其可以准确测量出数据采集部中包含的应力传感器、渗压传感器、位移传感器和温度传感器的里程位置和高程,当预报出不良地质灾害时能及时定位掌子面前方的灾害位置。
在具体实施中,数据采集部与数据处理部之间通过无线传输信号相互通信;数据处理部设置在隧道外。
作为一种实施方式,在所述数据处理部中,超前地质预报模型的训练过程为:
将应力变化而发生隧道灾害作为第一等级风险,并获取第一等级风险对应的应力数据集合;将渗压变化而发生隧道灾害作为第二等级风险,并获取第二等级风险对应的渗压数据集合;将位移变化而发生隧道灾害作为第三等级风险,并获取第三等级风险对应的位移数据集合;将温度变化而发生隧道灾害作为第四等级风险,并获取第四等级风险对应的温度数据集合;
将应力数据集合、渗压数据集合、位移数据集合和温度数据集合分别作为训练集中的子数据集,并作为超前地质预报模型的四个输入;
利用训练集中的四个子数据集对超前地质预报模型进行训练,直至超前地质预报模型输出的风险等级误差率小于或等于预设阈值时,完成超前地质预报模型的训练。
在具体实施中,还将应力数据、渗压数据、位移数据、温度数据和掌子面前方一定距离处的突水突泥灾害的对应关系构建参考数据库,可用来建立学习样本,形成训练集为准确预报提供宝贵资料。
本实施例的基于人工智能的隧道仿生超前地质预报装备的工作方法,其包括:
数据采集部采集隧道的应力数据、渗压数据、位移数据和温度数据;
数据处理部接收隧道的应力数据、渗压数据、位移数据和温度数据并输入至超前地质预报模型中,输出风险类型及等级;其中,超前地质预报模型由BP神经网络构成;
风险预警部根据风险类型及等级输出相应报警信息。
在训练超前地质预报模型的过程中,能以较快的速度和较高的精度调整神经元间互连权值,使系统达到稳定状态,满足学习要求的算法;在训练超前地质预报模型之前,还包括:对已有的数据库各变量数据进行均值方差归一化,降低各变量数据范围过大差异带来的误差,再将归一化后的数据作为输入变量输入BP神经网络模型进行学习,将实际的风险等级作为模型的输出值,其中1到4级风险越来高,分别对应模型的输出变量[1,0,0,0][0,1,0,0][0,0,1,0][0,0,0,1],建立超前地质预报模型。
利用超前地质预报模型对洞内传输过来的信号进行计算和风险识别;基于数据库的原数据的均值和方差对洞内传输过来的信号进行均值方差归一化,将归一化后的数据代入超前地质预报模型,根据超前地质预报模型输出值判断风险等级。
若风险等级超过限定值则对洞内进行预警,尽快撤出洞内工作人员,若风险等级在安全范围内,则不进行预警并继续测量。
作为一种实施方式,超前地质预报模型的训练过程为:
将应力变化而发生隧道灾害作为第一等级风险,并获取第一等级风险对应的应力数据集合;将渗压变化而发生隧道灾害作为第二等级风险,并获取第二等级风险对应的渗压数据集合;将位移变化而发生隧道灾害作为第三等级风险,并获取第三等级风险对应的位移数据集合;将温度变化而发生隧道灾害作为第四等级风险,并获取第四等级风险对应的温度数据集合;
将应力数据集合、渗压数据集合、位移数据集合和温度数据集合分别作为训练集中的子数据集,并作为超前地质预报模型的四个输入;
利用训练集中的四个子数据集对超前地质预报模型进行训练,直至超前地质预报模型输出的风险等级误差率小于或等于预设阈值时,完成超前地质预报模型的训练。
作为一种实施方式,将超前地质预报模型输出的风险等级以及相关数据集合反馈至训练集中来扩增训练集中的数据,以提高超前地质预报模型的训练速度以及预测的准确度。
本实施例的基于人工智能的隧道仿生超前地质预报装备包括数据采集部、数据处理部和风险预警部;其中,数据采集部采集隧道的应力数据、渗压数据、位移数据和温度数据;数据处理部接收隧道的应力数据、渗压数据、位移数据和温度数据并输入至超前地质预报模型中,输出风险类型及等级;其中,超前地质预报模型由BP神经网络构成;风险预警部根据风险类型及等级输出相应报警信息,能够便捷、智能且高效地对隧道超前地质预报进行实时监测并提高了监测效率及准确性。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于人工智能的隧道仿生超前地质预报装备,其特征在于,包括:
数据采集部,其被配置为:采集隧道的应力数据、渗压数据、位移数据和温度数据;
数据处理部,其被配置为:接收隧道的应力数据、渗压数据、位移数据和温度数据并输入至超前地质预报模型中,输出风险类型及等级;其中,超前地质预报模型由BP神经网络构成;
风险预警部,其被配置为:根据风险类型及等级输出相应报警信息。
2.如权利要求1所述的基于人工智能的隧道仿生超前地质预报装备,其特征在于,所述数据采集部包括应力传感器、渗压传感器、位移传感器和温度传感器,所述应力传感器、渗压传感器、位移传感器和温度传感器用于分别采集隧道的应力数据、渗压数据、位移数据和温度数据。
3.如权利要求2所述的基于人工智能的隧道仿生超前地质预报装备,其特征在于,所述应力传感器和渗压传感器分别固定隧道同一侧的上部孔内和下部孔内;所述位移传感器和温度传感器分别固定隧道另一侧的上部孔内和靠近隧道掌子面的下部孔内。
4.如权利要求2所述的基于人工智能的隧道仿生超前地质预报装备,其特征在于,所述应力传感器固定的孔为径向方向,安装应力传感器前,用拉杆销钉拉住应力传感器楔块细端上的孔,用顶管和定位拉杆将应力传感器推入孔中到达指定深度。
5.如权利要求2所述的基于人工智能的隧道仿生超前地质预报装备,其特征在于,所述渗压传感器固定的孔为径向方向,埋设前将渗压传感器放在水中预设时间段,使其充分饱和,排除透水石中的汽包;饱和细沙袋将渗压传感器的测头包裹好,保证渗压传感器进水口通畅,然后将渗压传感器固定在设计位置,铺设相应缆线并浇筑混凝土。
6.如权利要求2所述的基于人工智能的隧道仿生超前地质预报装备,其特征在于,所述温度传感器固定的孔为径向方向,温度传感器设置在套筒内,套筒挤入固定温度传感器的孔中,套筒的筒口与固定温度传感器的孔口平齐。
7.如权利要求1所述的基于人工智能的隧道仿生超前地质预报装备,其特征在于,在所述数据处理部中,超前地质预报模型的训练过程为:
将应力变化而发生隧道灾害作为第一等级风险,并获取第一等级风险对应的应力数据集合;将渗压变化而发生隧道灾害作为第二等级风险,并获取第二等级风险对应的渗压数据集合;将位移变化而发生隧道灾害作为第三等级风险,并获取第三等级风险对应的位移数据集合;将温度变化而发生隧道灾害作为第四等级风险,并获取第四等级风险对应的温度数据集合;
将应力数据集合、渗压数据集合、位移数据集合和温度数据集合分别作为训练集中的子数据集,并作为超前地质预报模型的四个输入;
利用训练集中的四个子数据集对超前地质预报模型进行训练,直至超前地质预报模型输出的风险等级误差率小于或等于预设阈值时,完成超前地质预报模型的训练。
8.一种如权利要求1-7中任一项所述的基于人工智能的隧道仿生超前地质预报装备的工作方法,其特征在于,包括:
数据采集部采集隧道的应力数据、渗压数据、位移数据和温度数据;
数据处理部接收隧道的应力数据、渗压数据、位移数据和温度数据并输入至超前地质预报模型中,输出风险类型及等级;其中,超前地质预报模型由BP神经网络构成;
风险预警部根据风险类型及等级输出相应报警信息。
9.如权利要求8所述的基于人工智能的隧道仿生超前地质预报装备的工作方法,其特征在于,超前地质预报模型的训练过程为:
将应力变化而发生隧道灾害作为第一等级风险,并获取第一等级风险对应的应力数据集合;将渗压变化而发生隧道灾害作为第二等级风险,并获取第二等级风险对应的渗压数据集合;将位移变化而发生隧道灾害作为第三等级风险,并获取第三等级风险对应的位移数据集合;将温度变化而发生隧道灾害作为第四等级风险,并获取第四等级风险对应的温度数据集合;
将应力数据集合、渗压数据集合、位移数据集合和温度数据集合分别作为训练集中的子数据集,并作为超前地质预报模型的四个输入;
利用训练集中的四个子数据集对超前地质预报模型进行训练,直至超前地质预报模型输出的风险等级误差率小于或等于预设阈值时,完成超前地质预报模型的训练。
10.如权利要求9所述的基于人工智能的隧道仿生超前地质预报装备的工作方法,其特征在于,将超前地质预报模型输出的风险等级以及相关数据集合反馈至训练集中来扩增训练集中的数据,以提高超前地质预报模型的训练速度以及预测的准确度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911173622.3A CN110989028A (zh) | 2019-11-26 | 2019-11-26 | 基于人工智能的隧道仿生超前地质预报装备与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911173622.3A CN110989028A (zh) | 2019-11-26 | 2019-11-26 | 基于人工智能的隧道仿生超前地质预报装备与方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110989028A true CN110989028A (zh) | 2020-04-10 |
Family
ID=70087100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911173622.3A Pending CN110989028A (zh) | 2019-11-26 | 2019-11-26 | 基于人工智能的隧道仿生超前地质预报装备与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110989028A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113779690A (zh) * | 2021-11-11 | 2021-12-10 | 山东大学 | 基于随钻感知的超前地质预报方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107144891A (zh) * | 2017-06-12 | 2017-09-08 | 山东大学 | 隧道突涌水前兆信息监测与融合预警系统以及方法 |
CN107609741A (zh) * | 2017-08-14 | 2018-01-19 | 中铁二十局集团有限公司 | 一种隧道施工地质灾害预警方法及系统 |
CN108416458A (zh) * | 2018-01-12 | 2018-08-17 | 山东大学 | 一种基于bp神经网络的隧道富水岩体综合超前地质预报方法 |
CN108921319A (zh) * | 2018-04-27 | 2018-11-30 | 中铁西南科学研究院有限公司 | 一种用于岩溶隧道结构安全预警的监测方法 |
CN110244344A (zh) * | 2019-06-05 | 2019-09-17 | 中南大学 | 一种基于深度学习的tbm超前地质预报方法 |
-
2019
- 2019-11-26 CN CN201911173622.3A patent/CN110989028A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107144891A (zh) * | 2017-06-12 | 2017-09-08 | 山东大学 | 隧道突涌水前兆信息监测与融合预警系统以及方法 |
CN107609741A (zh) * | 2017-08-14 | 2018-01-19 | 中铁二十局集团有限公司 | 一种隧道施工地质灾害预警方法及系统 |
CN108416458A (zh) * | 2018-01-12 | 2018-08-17 | 山东大学 | 一种基于bp神经网络的隧道富水岩体综合超前地质预报方法 |
CN108921319A (zh) * | 2018-04-27 | 2018-11-30 | 中铁西南科学研究院有限公司 | 一种用于岩溶隧道结构安全预警的监测方法 |
CN110244344A (zh) * | 2019-06-05 | 2019-09-17 | 中南大学 | 一种基于深度学习的tbm超前地质预报方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113779690A (zh) * | 2021-11-11 | 2021-12-10 | 山东大学 | 基于随钻感知的超前地质预报方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN206037986U (zh) | 隧道围岩变形监测预警系统 | |
CN101526010B (zh) | 矿井突水灾害监测预警系统及其控制方法 | |
CN108922123B (zh) | 一种矿山边坡滑移稳定性监测预警方法 | |
CN202688979U (zh) | 在建基坑一体化监测系统 | |
CN103743441A (zh) | 一种边坡安全的多元耦合在线监测系统及方法 | |
CN105257300B (zh) | 一种隧道超欠挖控制方法及钻孔检测杆 | |
CN210154614U (zh) | 一种基于bim的基坑及其周边地层的沉降监测装置 | |
CN108280969A (zh) | 一种高边坡表面变形监测预警系统及其预警方法 | |
CN109374049A (zh) | 一种隧道围岩变形监测报警装置 | |
CN108921319B (zh) | 一种用于岩溶隧道结构安全预警的监测方法 | |
CN110989028A (zh) | 基于人工智能的隧道仿生超前地质预报装备与方法 | |
CN208903300U (zh) | 一种基于bim技术的施工风险自动监测系统 | |
CN113591347A (zh) | 一种高边坡施工过程中动态监测方法及预警系统 | |
CN213148168U (zh) | 一种基于穿孔式地连墙的长期应力监测系统 | |
CN213147768U (zh) | 一种桩体深层土体位移智能监测装置 | |
CN211652036U (zh) | 一种钢拱架受力监测系统 | |
CN106761804B (zh) | 一种搭载于tbm上实时超前水压探测装置与方法 | |
CN109667623B (zh) | 一种用于井下巷道及隧道检测的在线检测系统 | |
CN112767656B (zh) | 一种露天矿山滑坡灾害预警方法及系统 | |
CN206174952U (zh) | 一种钻孔测斜装置 | |
CN216379680U (zh) | 一种深基坑支护安全智能监测系统 | |
CN115898542A (zh) | 一种隧道围岩变形实时动态监测预警系统 | |
CN205400721U (zh) | 一种井口气远程测定装置 | |
CN113914386A (zh) | 基于bim+3s技术的深基坑支护安全智能监测方法 | |
CN103161445A (zh) | 回转钻进钻孔无线测斜仪 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |